[发明专利]一种基于深度学习与测距的模块化定位系统

说明书

一种基于深度学习与测距的模块化定位系统，其特征在于，该系统包括：图像采集模块、目标检测模块、深度计算模块与连接模块组成；其特征在于：图像采集模块分别连接目标检测模块、深度计算模块；所述目标检测模块、深度计算模块分别连接连接模块。本发明的优点：本发明仅使用了一个单独的图像传感器，通过这一个传感器读取的数据，分别读入目标检测模块与深度计算模块中，可以完成两项工作，各个模块使用独立的端口通信且各个端口互不影响，便于缩小智能化设备的体积，简化系统的处理，有利于模块化，能够更好地应用于小体积设备。

技术领域

本发明属于计算机视觉的目标检测领域与距离测量领域，具体涉及一种基于深度学习与距离测量的模块化定位系统。

背景技术

在无人驾驶汽车的行驶过程中，需要检测车辆前方的物体以及与其的距离。为了获取车辆前方的物体信息，传统的作法是采用独立的目标检测系统与独立的距离测量系统。目前有多种目标检测系统，分别使用不同的目标检测方法。如基于区域的卷积神经网络(Region-based Convolutional Network,R-CNN)，其通过将图像分割为有关部分与无关部分来缩小目标检测的范围，以提高目标检测的速度和准确性；但该方法需要判断有关区域与无关区域，计算比较耗时，不能满足实时检测的需求。针对该问题，Redmon等在2016年提出了一种YOLO算法(Redmon J,Divvala S,Girshick R,et al.You only look once:Unified,real-time object detection[C]//Proceedings of the IEEE conference oncomputer vision and pattern recognition.2016:779-788.)，该算法仅经过一次卷积神经网络运算，即可检测出目标，因此可实现快速的目标检测。

常用的距离测量系统主要有：基于超声波的距离测量系统、基于红外的距离测量系统、基于激光雷达的距离测量系统、基于结构光技术的距离测量系统和基于图像传感器的距离测量系统；例如名称为“基于超声波距离检测的无人机避障系统及其控制方法”(公开号为CN104820429B)的专利，通过超声波检测的方式，对无人机前方的障碍物进行检测，并进行避障。

上述目标检测系统和距离测量系统各自独立使用，一个系统完成一项任务。如果要同时完成目标检测和距离测量，需要同时使用至少两个系统，将各自检测和测量的结果进行融合，这会导致整个系统体积较大，不便于小型化和系统集成。

发明内容

本发明提供了一种基于深度学习与测距的模块化定位系统。该系统基于深度学习的目标检测方法与摄像头的测距方法，能够同时完成物体识别与距离测量。

本发明提出的一种基于深度学习与测距的模块化定位系统，其特征在于，该系统包括：图像采集模块、目标检测模块、深度计算模块与连接模块组成；其特征在于：图像采集模块分别连接目标检测模块、深度计算模块；所述目标检测模块、深度计算模块分别连接连接模块；

其中图像采集模块为一种图像传感器，该模块用于获取环境中的图像数据，并开放图像数据读取端口，目标检测模块和深度计算模块可由此端口读取图像数据流。

其中目标检测模块为一种深度学习目标识别方法，该模块用于从图像采集模块端口读取图像采集模块采集的图像数据，从中检测出目标物体的位置信息以及物体名称或种类信息，并开放信息读取端口，连接模块可由此信息读取端口读取目标物体的位置信息以及物体名称或种类信息。

其中深度计算模块为一种深度计算方法或仪器，该模块用于从图像采集模块的端口读取图像采集模块采集的图像数据，根据图像数据计算深度数据，并开放信息读取端口，连接模块可由此信息读取端口读取图像的深度数据。

其中连接模块为计算机或嵌入式设备或其他能进行计算处理的装置，用于读取目标检测模块与深度计算模块端口内的数据，并根据其数据计算得出检测的目标的物体信息以及与其的距离信息，并将其反馈给使用者。